php - 将文本拆分为单个单词

Question

我想使用 PHP 将文本拆分为单个单词。您知道如何实现这一目标吗？

我的方法:

function tokenizer($text) {
    $text = trim(strtolower($text));
    $punctuation = '/[^a-z0-9äöüß-]/';
    $result = preg_split($punctuation, $text, -1, PREG_SPLIT_NO_EMPTY);
    for ($i = 0; $i < count($result); $i++) {
        $result[$i] = trim($result[$i]);
    }
    return $result; // contains the single words
}
$text = 'This is an example text, it contains commas and full-stops. Exclamation marks, too! Question marks? All punctuation marks you know.';
print_r(tokenizer($text));

这是一个好方法吗？你有什么改进的想法吗？

提前致谢!

Answer 1

使用匹配任何 unicode 标点字符的类\p{P}，结合\s 空白类。

$result = preg_split('/((^\p{P}+)|(\p{P}*\s+\p{P}*)|(\p{P}+$))/', $text, -1, PREG_SPLIT_NO_EMPTY);

这将拆分一组一个或多个空白字符，但也会吸收周围的任何标点符号。它还匹配字符串开头或结尾的标点符号。这区分了诸如“不要”和“他说‘哎哟!’”之类的情况